本书对二维、三维目标检测技术涉及的骨干网络及入门必备的计算机视觉算法进行全面的介绍。本书由浅入深地介绍了MNIST、ImageNet、CIFAR、波士顿房产、ModelNet等经典二维、三维数据集和相关国际赛事，还介绍了TensorFlow中的二维卷积层、全连接层、激活层、池化层、批次归一化层、随机失活层的算法和梯度下降原理，AlexNet、VGG、ResNet、DarkNet、CSP-DarkNet等经典骨干网络的设计原理，以及PointNet、GCN等三维计算机视觉神经网络。此外，本书通过设计巧妙且具体的案例，让读者稳步建立扎实的编程能力，包括数据集的制作和解析、神经网络模型设计和开销估算、损失函数的设计、神经网络的动态模式和静态模式的训练方法和过程控制、神经网络的边缘计算模型量化、神经网络的云计算部署。完成本书的学习，读者可以继续阅读与本书紧密衔接的《深入理解计算机视觉：在边缘端构建高效的目标检测应用》，将所学的计算机视觉基础知识运用到目标检测的神经网络设计中，对边缘计算环境下的神经网络进行游刃有余的调整。 本书适合具备一定计算机、通信、电子等理工科专业基础的本科学生、研究生及软件工程师阅读，读者需具备高等数学、线性代数、概率论、Python编程、图像处理等基础知识。

第1篇 计算机视觉开发环境的搭建
第1章 Python编程环境
1.1 Python语言简介
1.2 Python脚本的运行方式
1.3 Anaconda虚拟环境管理器
1.4 使用Anaconda建立虚拟环境
第2章 搭建三层的图像分类神经网络
2.1 下载数据集
2.2 探索数据集
2.3 构建、编译和训练神经网络
2.4 使用神经网络进行批量预测
2.5 将预测结果可视化
第2篇 计算机视觉模型从实验室到生产环境的部署
第3章 图片数据集的处理
3.1 数据集的预处理
3.1.1 下载和查看数据集
3.1.2 准备花卉类别名称和类别序号的对应关系
3.1.3 准备花卉图片和类别名称的对应关系
3.2 数据集的制作
3.2.1 拟写入数据集的数据
3.2.2 TFRecord格式的数据集
3.2.3 单个样本的生成函数
3.2.4 批量生成样本并写入TFRecord文件
3.3 数据集的读取和验证
3.3.1 解析单个样本
3.3.2 制作函数批量解析样本
3.4 数据管道的优化处理
第4章 迁移学习和神经网络的设计
4.1 迁移学习的概念和花卉分类应用
4.2 下载MobileNet
4.3 设置MobileNet
4.4 测试MobileNet的特征提取输入和输出
第5章 损失函数的基础原理
5.1 回归场景下常用的损失函数
5.2 回归场景下的损失函数实战
5.3 分类场景下的损失函数
5.3.1 概率、几率、对数几率的概念
5.3.2 对数几率和概率的相互转换
5.3.3 多标签与单标签分类问题
5.3.4 单标签分类问题和交叉熵算法原理
5.3.5 交叉熵损失函数
5.4 自定义损失函数
第6章 神经网络的编译和训练
6.1 神经网络的编译
6.2 神经网络的训练
6.2.1 神经网络训练的基本概念
6.2.2 神经网络训练的常用回调机制
6.2.3 训练的返回和过拟合的观测
……
第3篇 神经网络的数学原理和TensorFlow计算框架
第4篇 神经网络层的算法原理和训练过程控制
第5篇 目标检测中的骨干网络
第6篇 三维计算机视觉入门和实战
附录A 官方代码引用说明
附录B 运行环境搭建说明
附录C TensorFlow的基本矩阵操作
参考文献